ModPack: An Extensible Teleoperation Interface for Bimanual Mobile Manipulation
ModPack एक ओपन-सोर्स, मॉड्यूलर टेलीऑपरेशन सिस्टम है जिसमें एक स्व-निहित वियरेबल बैकपैक शामिल है जो विविध रोबोट प्लेटफॉर्म्स के लिए द्विपक्षीय मोबाइल मैनिपुलेशन हेतु एक एकीकृत, प्लग-एंड-प्ले फ्रेमवर्क प्रदान करता है, जिससे स्केलेबल डेटा कलेक्शन और पॉलिसी लर्निंग सुलभ होती है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
एक ऐसी दुनिया की कल्पना करें जहाँ रोबोट हमें काम करते देख कर ही घर के काम करना सीख सकें, जैसे एक बच्चा अपने माता-पिता को जूते के फीते बाँधते देख कर वैसा ही करना सीखता है। यह "रोबोट लर्निंग" नामक एक क्षेत्र का मूल है, विशेष रूप से "इमिटेशन लर्निंग" (अनुकरण सीखना) नामक एक विधि। एक रोबोट को सिखाने के लिए, आपको पहले उसे कोई काम करना दिखाना पड़ता है, जिसे "टेलीऑपरेशन" कहा जाता है, जहाँ एक इंसान दूर से रोबोट को नियंत्रित करता है। इसे एक वीडियो गेम की तरह समझें जहाँ आपका पात्र एक विशाल रोबोटिक हाथ है, लेकिन एक कंट्रोलर के बजाय, आप अपने शरीर की गतिविधियों का उपयोग करते हैं। हालाँकि, बड़ी समस्या यह है कि इनमें से अधिकांश "कंट्रोलर" एक विशेष रूप से बनाए गए कवच के सूट की तरह होते हैं: वे एक विशिष्ट रोबोट और एक विशिष्ट कार्य के लिए बनाए जाते हैं। यदि आप किसी अलग रोबोट को थोड़ा अलग कार्य सिखाना चाहते हैं, तो आपको अक्सर शुरू से एक नया पूरा सूट बनाना पड़ता है। वैज्ञानिक एक ऐसा तरीका खोज रहे हैं जिससे ये नियंत्रण प्रणाली लचीली बन सके, जैसे कि लेगो ब्लॉक्स (Lego blocks) का एक सेट, ताकि हम हर बार पूरी मशीन को फिर से बनाए बिना नए करतब सिखाने के लिए इसके हिस्सों को आसानी से बदल सकें।
यहाँ ModPack आता है, जो स्टैनफोर्ड यूनिवर्सिटी के शोधकर्ताओं का एक चतुर नया आविष्कार है, जिसका लक्ष्य रोबोट शिक्षकों के लिए परम "स्विस आर्मी नाइफ" (बहुउद्देशीय उपकरण) बनना है। हर रोबोट के लिए एक नया कंट्रोलर बनाने के बजाय, टीम ने एक एकल, पहनने योग्य बैकपैक बनाया है जो पूरे सिस्टम के मस्तिष्क और शक्ति स्रोत के रूप में कार्य करता है। इस बैकपैक को एक यूनिवर्सल अडैप्टर प्लग के रूप में सोचें। एक बार जब आपके पास बैकपैक हो जाता है, तो आप अपनी ज़रूरत के अनुसार विभिन्न "मॉड्यूल" को इसमें जोड़ सकते हैं। यदि आपको एक रोबोट को कमरे में इधर-उधर घुमाना है, तो आप एक फोन लगा सकते हैं जो आपकी चाल को ट्रैक करता है। यदि आपको दो हाथों से चीजें पकड़नी हैं, तो आप अपने स्वयं के हाथों की नकल करने वाले रोबकी हाथों के एक जोड़े को जोड़ सकते हैं। यदि आपको रोबोट को कोनों के पीछे देखने की आवश्यकता है, तो आप एक हाई-टेक हेडसेट कनेक्ट करते हैं जो रोबोट को आपकी आँखों से देखने की अनुमति देता है। जादू यह है कि ये सभी हिस्से बैकपैक के माध्यम से एक-दूसरे से बात करते हैं, जिससे एक एकीकृत प्रणाली बनती है जो बिना किसी पूर्ण पुनर्गठन के विभिन्न रोबोटों और कार्यों के अनुकूल हो सकती है।
शोधकर्ताओं ने इस विचार का परीक्षण करने के लिए ModPack का उपयोग करके दो बहुत अलग रोबोटों को वास्तविक दुनिया के काम सिखाए। एक प्रयोग में, उन्होंने एक रोबोट को कपड़ा उठाने, टोकरी खोजने और कपड़े को उसके अंदर डालने के लिए सिखाया। रोबोट को टोकरी खोजने में मदद करने के लिए, उन्होंने "एक्टिव परसेप्शन" (सक्रिय धारणा) मॉड्यूल का उपयोग किया, जिसने ऑपरेटर को रोबोट के हेड कैमरा के साथ चारों ओर देखने की अनुमति दी, ठीक वैसे ही जैसे एक व्यक्ति किसी छिपी हुई चीज़ को देखने के लिए अपना सिर झुकाता है। दूसरे परीक्षण में, उन्होंने एक अलग रोबोट को एक बॉक्स उठाने और उसे शेल्फ पर रखने के लिए सिखाया। इसके लिए, उन्होंने "हैप्टिक फीडबैक" (स्पर्श प्रतिक्रिया) मॉड्यूल का उपयोग किया, जो एक फोर्स-फीडबैक जॉयस्टिक की तरह है; जब रोबोट ने बॉक्स को बहुत ज़ोर से छुआ, तो ऑपरेटर को अपने हाथों पर एक हल्का धक्का महसूस हुआ, जिससे उन्हें यह सीखने में मदद मिली कि कितना दबाव डालना चाहिए।
परिणाम बताते हैं कि यह मॉड्यूलर दृष्टिकोण अच्छी तरह से काम करता है। जब शोधकर्ताओं ने रोबोट नीतियों (रोबोट के कार्य करने के लिए "मस्तिष्क") को प्रशिक्षित करने के लिए ModPack से एकत्र किए गए डेटा का उपयोग किया, तो रोबोट उन कार्यों में आश्चर्यजनक रूप से अच्छे थे। कपड़े वाले कार्य के लिए, जिस रोबोट ने हेड कैमरा का उपयोग करके चारों ओर देखा था, वह 25 में से 22 प्रयासों में सफल रहा, जबकि केवल अपने हाथों को देखने वाला रोबोट अधिकांश समय विफल रहा। बॉक्स वाले कार्य के लिए, जो रोबोट अपनी गतिविधियों के बल को महसूस कर सकता था (हैप्टिक फीडबैक का उपयोग करके), वह 20 में से 12 प्रयासों में सफल रहा, जो केवल कैमरों का उपयोग करने वाले संस्करणों की तुलना में बेहतर था। लेखकों ने पाया कि विभिन्न प्रकार की जानकारी को मिलाने से—जैसे दृष्टि और स्पर्श का अहसास—रोबोट तेजी से सीख पाते हैं और कम गलतियाँ करते हैं।
हालाँकि, यह प्रणाली अभी भी पूर्ण नहीं है। लेखक नोट करते हैं कि रोबिक हाथों के मोटर्स की सीमाएँ हैं; यदि रोबोट को बल महसूस करने के साथ-साथ बहुत ज़ोर से धक्का भी देना है, तो मोटर्स संघर्ष कर सकते हैं। इसके अलावा, बैकपैक को सभी कंप्यूटरों और मोटर्स को लंबे समय तक चलाने के लिए एक काफी बड़े बैटरी की आवश्यकता होती है, जिससे यह पहनने में थोड़ा भारी हो जाता है। इन छोटी बाधाओं के बावजूद, टीम ने अपने संपूर्ण डिज़ाइन को, जिसमें 3D-प्रिंटेड हिस्से और सॉफ़्टवेयर शामिल है, मुफ्त में उपलब्ध कराया है। इसका अर्थ है कि अन्य शोधकर्ता अपने स्वयं के संस्करण बना सकते हैं, विभिन्न हिस्सों को बदल सकते हैं, और शून्य से शुरुआत किए बिना रोबोटों को नए कौशल सिखाने में मदद कर सकते हैं। एक कठोर, एक ही आकार के समाधान वाली समस्या को एक लचीले, "प्लग-एंड-प्ले" समाधान में बदलकर, ModPack सुझाव देता है कि एक भविष्य जहाँ रोबोट को सिखाना कैमरे में एक नया लेंस लगाने जितना आसान हो सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।